Inleiding tot begeleid leren en ongecontroleerd leren
Supervised learning en Unsupervised learning zijn machine learning-taken.
Begeleid leren is gewoon een leerproces van de trainingsdataset. Begeleid leren is waar u invoervariabelen en een uitvoervariabele hebt en u een algoritme gebruikt om de toewijzingsfunctie van de invoer naar de uitvoer te leren. Het doel is om de toewijzingsfunctie te benaderen zodat we, wanneer we nieuwe invoergegevens hebben, de uitvoervariabelen voor die gegevens kunnen voorspellen.
Leren zonder toezicht is het modelleren van de onderliggende of verborgen structuur of distributie in de gegevens om meer over de gegevens te leren. Leren zonder toezicht is waar u alleen invoergegevens hebt en geen overeenkomstige uitvoervariabelen.
Trainingsdataset: een set voorbeelden die worden gebruikt om te leren, waarbij de doelwaarde bekend is.
Head-to-Head vergelijkingen tussen Supervised Learning versus Unsupervised Learning (Infographics)
Hieronder vindt u de top 7-vergelijking tussen begeleid leren en ongecontroleerd leren
Belangrijkste verschillen tussen begeleid leren versus ongecontroleerd leren
Hieronder staan de lijst met punten, beschrijf de belangrijkste verschillen tussen Supervised Learning versus Unsupervised Learning
1. Machine learning-algoritmen ontdekken patronen in big data. Deze verschillende algoritmen kunnen in twee categorieën worden ingedeeld op basis van de manier waarop ze "leren" over gegevens om voorspellingen te doen. Dat zijn begeleid en niet-begeleid leren.
2. In begeleid leren fungeert wetenschapper als een gids om het algoritme te onderwijzen met welke conclusies of voorspellingen het moet komen. Bij niet-gecontroleerd leren is er geen correct antwoord, er is geen leraar, algoritmen worden aan zichzelf overgelaten om de interessante verborgen structuur in de gegevens te ontdekken en te presenteren.
3. Het begeleide leermodel gebruikt de trainingsgegevens om een link tussen de input en de outputs te leren.
4. Ongecontroleerd leren maakt geen gebruik van uitvoergegevens. Bij onbewaakt leren zullen hun geen gelabelde voorkennis zijn, terwijl bij begeleid leren toegang zal hebben tot de labels en voorkennis zal hebben over de datasets
5. Begeleid leren: het idee is dat training kan worden gegeneraliseerd en dat het model met enige nauwkeurigheid op nieuwe gegevens kan worden gebruikt.
6. Begeleide leeralgoritmen: ondersteuning van vectormachines, lineaire en logistieke regressie, neuraal netwerk, classificatiebomen en willekeurig bos enz.
7. Niet-bewaakte algoritmen kunnen worden onderverdeeld in verschillende categorieën: Clusteralgoritmen, K-middelen, Hiërarchische clustering, Dimensionale reductiealgoritmen, Anomaliedetecties, enz.
8. Classificatie en regressiegebied veel gebruikte algoritmen in begeleid leren. Support Vector Machines (SVM) zijn modellen voor machinaal leren onder toezicht met bijbehorende leeralgoritmen, die kunnen worden gebruikt voor zowel classificatie- als regressiedoeleinden, maar meestal worden gebruikt voor classificatieproblemen.
9.In het SVM-model plotten we elk gegevensitem als een punt in de n-dimensionale ruimte (waar n functies zijn die we hebben), waarbij de waarden van elke functie de waarde van een bepaalde coördinaat zijn. Vervolgens de classificatie uitgevoerd door het hyperplane te vinden dat de twee klassen onderscheidt.
10.Het hoofddoel van regressie-algoritmen is het voorspellen van de discrete of voortdurende waarde. In sommige gevallen kan de voorspelde waarde worden gebruikt om de lineaire relatie tussen de attributen te identificeren. Op basis van het probleem kunnen regressie-algoritmen worden gebruikt. Sommige van de basisregressie-algoritmen zijn lineaire regressie, polynoomregressie, enz.
11.Clustering wordt veel gebruikt in niet-gecontroleerd leren. Clustering is de taak om de gegevenspunten in een aantal groepen te verdelen, zodat dezelfde eigenschappenpunten samen in de vorm van een cluster zullen zijn. Er zijn meer clusteringalgoritmen; enkele daarvan zijn Connectivity-modellen, centroid-modellen, Distributiemodellen en Density-modellen.
12.Hierarchische clustering valt onder toezicht zonder toezicht. Hiërarchische clustering, zoals de naam al doet vermoeden, is een algoritme dat een hiërarchie van clusters opbouwt. Dit algoritme begint met alle gegevenspunten die zijn toegewezen aan een eigen cluster. Vervolgens worden twee dichtstbijzijnde clusters samengevoegd tot dezelfde cluster. Uiteindelijk wordt dit algoritme beëindigd wanneer er nog maar één cluster over is.
13.KMeans valt onder een onbewaakte clustermethode. Gegevens worden verdeeld in k clusters, op basis van hun kenmerken. Elke cluster wordt vertegenwoordigd door zijn zwaartepunt, gedefinieerd als het midden van de punten in de cluster. KMeans is eenvoudig en snel, maar levert niet bij elke run hetzelfde resultaat op.
14. Laten we voorbeelden uit de praktijk nemen om het leren onder toezicht en het leren zonder toezicht beter te begrijpen. Begeleid leren: Laten we een van de functies van Gmail als voorbeeld nemen, namelijk spam-mail. Gebaseerd op eerdere informatie over spam-e-mails, filteren van een nieuwe inkomende e-mail in de map Inbox of de map Ongewenste e-mail. In dit scenario wordt Gmail gemodelleerd naar een toewijzingsfunctie om de inkomende e-mail te scheiden op basis van de voorkennis van de e-mails, dit is onder toezicht leren.
15.Ongestudeerd leren: Laten we aannemen dat een vriend je uitnodigt voor haar feest, waar je nieuwe mensen ontmoet. Nu zult u ze classificeren met behulp van geen voorkennis (ongecontroleerd leren) en deze classificatie kan op elke eigenschap van toepassing zijn. Het kan een leeftijdsgroep, geslacht, kleding, opleiding of welke manier dan ook zijn. Omdat je geen voorkennis over mensen hebt gebruikt en ze hebt geclassificeerd, valt dit onder toezicht zonder toezicht.
Vergelijkingstabel begeleid leren versus ongecontroleerd leren Vergelijkingstabel
| Leren onder toezicht | Leren zonder toezicht | |
|
Methode | Inputvariabelen en outputvariabelen worden gegeven. | Alleen invoergegevens worden gegeven |
|
Doel | Begeleid leerdoel is om de functie zo goed te bepalen dat wanneer nieuwe invoergegevens worden gegeven, de uitvoer kan worden voorspeld. | Het doel zonder toezicht is het modelleren van de verborgen patronen of onderliggende structuur in de gegeven invoergegevens om meer te weten te komen over de gegevens. |
|
Klasse | Problemen met machine learning, datamining en neuraal netwerk, | Machine learning, datamining, problemen en neuraal netwerk |
|
Voorbeelden |
|
|
| Wie gebruikt | Data wetenschappers | Data wetenschappers |
|
Eco-systemen |
Big data-verwerking, datamining enz | Big data-verwerking, datamining enz |
|
Toepassingen |
Begeleid leren wordt vaak gebruikt voor exportsystemen in beeldherkenning, spraakherkenning, voorspelling, financiële analyse en training van neurale netwerken en beslissingsbomen enz. | Niet-begeleide leeralgoritmen worden gebruikt om de gegevens vooraf te verwerken, tijdens verkennende analyse of om begeleide leeralgoritmen voor te leiden. |
Conclusie - Begeleid leren versus onbegeleid leren
De keuze om een al dan niet onder toezicht staand algoritme voor machine learning te gebruiken, hangt meestal af van factoren die verband houden met de structuur en het volume van uw gegevens en de use case. In werkelijkheid gebruiken datawetenschappers meestal zowel Supervised Learning als Unsupervised Learning-benaderingen samen om de use case op te lossen.
Aanbevolen artikel
Dit is een leidraad geweest voor begeleid leren versus ongecontroleerd leren, hun betekenis, vergelijking van persoon tot persoon, belangrijke verschillen, vergelijkingstabel en conclusie. U kunt ook de volgende artikelen bekijken voor meer informatie -
- Best 7 Vergelijking tussen begeleid leren versus versterkend leren
- 5 Meest bruikbare verschil tussen data science versus machine learning
- Leer het 10 beste verschil tussen kaart verkleinen versus garen
- MapReduce vs Apache Spark- 20 Nuttige vergelijkingen om te leren
- Wat is versterkingsleren?